| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第一章 绪论 | 第15-23页 |
| 1.1 论文选题背景与研究意义 | 第15-16页 |
| 1.2 往复式机械设备的国内外研究现状 | 第16-18页 |
| 1.2.1 基于故障机理的往复式机械设备故障诊断研究 | 第16-17页 |
| 1.2.2 基于信号处理和机器学习的故障运行状态识别研究 | 第17-18页 |
| 1.2.3 往复式机械中单向阀的研究现状 | 第18页 |
| 1.3 早期故障诊断方法及研究现状 | 第18-20页 |
| 1.4 论文主要研究内容和结构安排 | 第20-23页 |
| 1.4.1 论文主要研究内容 | 第20-21页 |
| 1.4.2 论文的结构安排 | 第21-23页 |
| 第二章 单向阀工作原理及故障类型分析 | 第23-31页 |
| 2.1 高压隔膜泵原理简述 | 第23-24页 |
| 2.2 单向阀的结构建模 | 第24-26页 |
| 2.3 单向阀故障类型及失效机理 | 第26-27页 |
| 2.3.1 单向阀典型故障类型 | 第26-27页 |
| 2.3.2 单向阀失效机理 | 第27页 |
| 2.4 单向阀振动信号的采集 | 第27-29页 |
| 2.5 本章小结 | 第29-31页 |
| 第三章 基于DEMD和K-L散度的单向阀早期故障检测 | 第31-43页 |
| 3.1 DEMD原理及方法研究 | 第31-36页 |
| 3.1.1 EMD算法基本理论 | 第31-32页 |
| 3.1.2 DEMD算法基本理论 | 第32-34页 |
| 3.1.3 EMD和DEMD算法仿真信号对比 | 第34-36页 |
| 3.2 基于K-L散度的IMF分量选择算法 | 第36-37页 |
| 3.3 Hilbert边际谱 | 第37页 |
| 3.4 基于DEMD和K-L散度的单向阀早期故障检测方法 | 第37-38页 |
| 3.5 实验分析 | 第38-42页 |
| 3.5.1 仿真信号分析 | 第38-40页 |
| 3.5.2 工程实验验证 | 第40-42页 |
| 3.6 本章小结 | 第42-43页 |
| 第四章 基于优化随机共振和DEMD的单向阀早期故障检测 | 第43-55页 |
| 4.1 随机共振理论 | 第43-46页 |
| 4.1.1 双稳随机共振系统 | 第43-44页 |
| 4.1.2 随机共振信噪比度量方法 | 第44-46页 |
| 4.2 随机共振系统的参数选择 | 第46-48页 |
| 4.2.1 变尺度预处理 | 第47页 |
| 4.2.2 粒子群算法优化系统参数 | 第47-48页 |
| 4.3 Hilbert包络分析 | 第48-49页 |
| 4.4 基于优化随机共振和DEMD的单向阀早期故障检测方法 | 第49页 |
| 4.5 实验分析 | 第49-53页 |
| 4.5.1 仿真信号分析 | 第49-52页 |
| 4.5.2 工程实验验证 | 第52-53页 |
| 4.6 本章小结 | 第53-55页 |
| 第五章 基于KPCA-LSSVM的单向阀故障诊断研究 | 第55-67页 |
| 5.1 特征参数的提取 | 第55-56页 |
| 5.2 核主元分析 | 第56-58页 |
| 5.2.1 核主元分析基本原理 | 第57-58页 |
| 5.2.2 核主元分析故障特征提取的步骤 | 第58页 |
| 5.3 最小二乘支持向量机基本理论 | 第58-61页 |
| 5.3.1 支持向量机概述 | 第58-59页 |
| 5.3.2 最小二乘支持向量机 | 第59-60页 |
| 5.3.3 最小二乘支持向量机的参数优化 | 第60-61页 |
| 5.4 基于KPCA-LSSVM的单向阀故障诊断方法 | 第61-62页 |
| 5.5 实验分析 | 第62-64页 |
| 5.6 本章小结 | 第64-67页 |
| 第六章 总结与展望 | 第67-69页 |
| 6.1 论文主要研究总结 | 第67-68页 |
| 6.2 研究展望 | 第68-69页 |
| 参考文献 | 第69-75页 |
| 致谢 | 第75-77页 |
| 附录A (攻读硕士期间发表的论文) | 第77-79页 |
| 附录B (攻读硕士期间申请的专利) | 第79-81页 |
| 附录C (攻读硕士期间申请的软件著作权) | 第81页 |
